蒙特卡洛方法是一种生成大量随机值或模拟并根据一般模式（例如均值和方差）形成某种结论的方法。

例如，您可以将其用于天气预报。预测长期天气是相当困难的，因为它是一个混乱的系统，微小的变化会导致非常不同的结果。使用蒙特卡洛方法，您可以运行大量模拟，每个模拟的大气变化都略有不同。然后，您可以分析结果，例如根据有多少模拟最终下雨来计算给定日期下雨的概率。

至于在 Alpha Go 中使用 Monte Carlo，他们似乎在使用所谓的Monte Carlo Tree Search。在这种方法中，您制作一个可能的移动树，几个转向未来，并尝试找到最佳序列。但是，由于围棋游戏中可能的走法数量非常多，因此您将无法探索很远的距离。这意味着一些现在看起来不错的动作在以后可能会变得很糟糕。

因此，在蒙特卡洛树搜索中，您选择一个有希望的移动序列，并运行一个或多个模拟游戏如何从该点开始。然后，您可以使用该模拟的结果来更好地了解特定的移动顺序到底有多好，并相应地更新树。根据需要重复，直到找到一个好的动作。

如果您想了解更多信息或查看一些插图，我发现了一篇关于该主题的有趣论文：C. Browne 等人，蒙特卡洛树搜索方法调查（开放存储库/永久链接（付费专区））